Comparación con ROCs
Debes utilizar los gráficos ROC y las puntuaciones AUC para comparar los dos modelos. A veces, los elementos visuales pueden ayudarte realmente a ti y a los usuarios potenciales de la empresa a comprender las diferencias entre los distintos modelos considerados.
Con el gráfico en mente, estarás más preparado para tomar una decisión. La elevación es lo lejos que está la curva de la predicción aleatoria. El AUC es el área entre la curva y la predicción aleatoria. El modelo con más elevación, y un AUC más alto, es el que hace mejores predicciones con precisión.
Los modelos entrenados clf_logistic y clf_gbt se han cargado en el espacio de trabajo. También se han cargado las predicciones de probabilidad de impago clf_logistic_preds y clf_gbt_preds.
Este ejercicio forma parte del curso
Modelado del riesgo crediticio en Python
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()